spark aggregateByKey算子

aggregateByKey算子的作用是根据key进行聚合操作，代码均是基于java api,先贴代码：

public class AggregateByKeyOperator {

   public static void main(String[] args) {
      SparkConf sparkConf = new SparkConf().setAppName("AggregateOperator")
            .setMaster("local[*]");
      JavaSparkContext sc = new JavaSparkContext(sparkConf);
      List<Tuple2<Integer,Integer>> dataList =  new ArrayList<Tuple2<Integer,Integer>>();
      dataList.add(new Tuple2<Integer, Integer>(1,99));
      dataList.add(new Tuple2<Integer, Integer>(2,78));
      dataList.add(new Tuple2<Integer, Integer>(1,89));
      dataList.add(new Tuple2<Integer, Integer>(2,3));
      dataList.add(new Tuple2<Integer, Integer>(3,3));
      dataList.add(new Tuple2<Integer, Integer>(3,30));
     
      JavaPairRDD<Integer, Integer> dataRdd = sc.parallelizePairs(dataList,1);
      System.out.println("dataRdd.partitions().size():"+dataRdd.partitions().size());

    //用于打印每个分区中的数据

    dataRdd.mapPartitionsWithIndex(new Function2<Integer, Iterator<Tuple2<Integer, Integer>>, Iterator<Tuple2<Integer, Integer>>>() {

         @Override
         public Iterator<Tuple2<Integer, Integer>> call(Integer index, Iterator<Tuple2<Integer, Integer>> t) throws Exception {
            System.out.println("partitionId:"+index);
            while(t.hasNext()) {
               Tuple2 t2 = t.next();
               System.out.println(t2._1+" "+t2._2);
            }
            return t;
         }
      },true).count();
      
      JavaPairRDD<Integer, Integer> aggregateByKey = dataRdd.aggregateByKey(0,new Function2<Integer, Integer, Integer>() {

         private static final long serialVersionUID = 1L;
         @Override

    //seqOp
         public Integer call(Integer t1, Integer t2) throws Exception {
            System.out.println("seq: " + t1 + "\t " + t2);
            return Math.max(t1, t2);
         }
      },new Function2<Integer, Integer, Integer>() {
    //combOp
         private static final long serialVersionUID = 1L;
         @Override
         public Integer call(Integer t1, Integer t2) throws Exception {
            System.out.println("comb: " + t1 + "\t " + t2);
            return t1+t2;
         }
      });

      List<Tuple2<Integer,Integer>> resultRdd = aggregateByKey.collect();
       for (Tuple2<Integer, Integer> tuple2 : resultRdd) {
         System.out.println(tuple2._1+"\t"+tuple2._2);
      }
   }
}

当RDD为一个分区的时候，根据key的不同，可以分为：

key=1: (1,99),(1,89)

key=2: (2,78),(2,3)

key=3:(3,3),(3,30)

这3个组分别进行seqOp，也就是(K,V)里面的V和0进行math.max()运算，运算结果和下一个V继续运算，运算过程是这样的：

key=1:  0,99 =>99，99,89 => 99

key=2:  0,78 => 78，78,3 =>78

key=3: 0,3 =>3，3,30=>30

最终结果是(1,99),(3,30),(2,78)  combOp是把不同分区相同的key的V加起来，由于这里并没有分区，所以实际上是不起作用的,计算结果如下：

(1 99)
(3 30)

(2 78)

如果将代码修改为：

JavaPairRDD<Integer, Integer> dataRdd = sc.parallelizePairs(dataList,2);

即指定2个分区，此时分区0的数据为：

1 99
2 78

1 89

分区1的数据为：

2 3
3 3

3 30

则进行seqOp操作时，只需要每个分区内部进行，

seqOp操作后结果，分区0：(1,99)，(2,78)   分区1：(2,3)，(3,30)，根据上面的分析，combOp操作后的最终结果为：

(1,99)，(2,81)，(3,30)

同理，将分区数修改为3:，三个分区的数据分别为：

partitionId1 :
1 89
2 3
partitionId0 :
1 99
2 78
partitionId2 :
3 3

3 30

seqOp操作后结果为，分区0：(1,99)，(2,78)，分区1：(1,89)，(2,3)，分区2：(3,30)，则combOp操作后的最终结果为：

(1,188)，(2,81)，(3,30)

最后总结一下：

aggregateByKey(p1,p2,p3)算子中，p1,p2,p3三个参数，p1为p2中进行比较的初始值，p2中的逻辑是对每一个分区中的key-value键值对进行操作，在本例中是筛选出每一个分区中key对应的最大的value ,p3的逻辑是对不同分区中p2得到的结果进行累加，若只有一个分区，p3无效。